提升电力市场深度学习模型的样本效率

深度学习的优越性能严重依赖于大量样本数据的收集，但数据不足问题在全球电力市场中相当普遍。在这种情况下，如何防止过拟合成为在不同市场应用中训练深度学习模型时的根本挑战。鉴于此，我们提出了一个通用框架，即知识增强训练（KAT），以提升样本效率，其主要思想是将领域知识融入深度学习模型的训练过程。具体而言，我们提出了一种新颖的数据增强技术来生成一些合成数据，随后由改进的训练策略进行处理。该 KAT 方法遵循并实现了将解析模型与深度学习模型相结合的思想。现代学习理论从有效预测误差反馈、可靠损失函数和丰富梯度噪声方面证明了我们方法的有效性。最后，我们详细研究了两个流行应用：用户建模与概率价格预测。所提方法在所有数值测试中均优于其他竞争对手，其潜在原因通过进一步的统计和可视化结果加以解释。